AVALIAÇÃO DA CAPACIDADE INTERPRETATIVA DE TRÊS MODELOS DE LINGUAGEM DE GRANDE ESCALA NA CONTEXTUALIZAÇÃO DE ACHADOS HISTOPATOLÓGICOS HEPÁTICOS ASSOCIADOS ÀS ARBOVIROSES

Le résumé fourni par la source

Considerando que o acometimento hepático em arboviroses severas apresenta desafios no diagnóstico diferencial focado na vulnerabilidade midzonal do ácino, e que o desempenho de Modelos de Linguagem de Grande Escala (LLMs) na interpretação patológica quantitativa permanece inexplorado, objetiva-se avaliar a capacidade de síntese, coerência fisiopatológica e acurácia dedutiva das arquiteturas ChatGPT, Google Gemini e Claude na interpretação de escores histopatológicos quantitativos de infecções fatais por Febre Amarela (FA), Dengue (DENV) e Chikungunya (CHIKV). Para tanto, procede-se à análise transversal analítica de 70 amostras hepáticas post-mortem (36 FA, 17 DENV, 17 CHIKV) processadas em R, cujos escores não paramétricos foram submetidos aos LLMs em teste cego de dedução etiológica (zero-shot) comparado ao patologista humano. Desse modo, observa-se que, apesar de a Zona 2 consolidar-se como epicentro lesional com assinaturas histopatológicas distintas para cada arbovirose, os LLMs apresentaram acurácia etiológica nula inicial por viés da literatura clássica (Lesão de Rocha-Lima); contudo, atingiram escore máximo em coerência fisiopatológica ao inferirem autonomamente a cascata isquêmica da CHIKV a partir dos dados numéricos puros. O que permite concluir que, embora falhem na identificação de apresentações atípicas sem supervisão, os LLMs alimentados por patologia quantitativa consolidam-se como valiosos co-pilotos translacionais na geração de hipóteses mecanicistas.

Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.